Jupyter Notebook Repositories
Insgesamt 1,614 Repositories
Implementierung von XFeat (CVPR 2024). Benötigen Sie eine robuste und schnelle Extraktion lokaler Merkmale? Sie sind hier genau richtig!
Dieses Repository bietet eine fortschrittliche Retrieval-Augmented Generation (RAG)-Lösung für komplexe Frage-Antwort-Aufgaben. Es verwendet einen hochentwickelten graphenbasierten Algorithmus zur Bewältigung der Aufgaben.
Unoffizieller Parallel WaveGAN (+ MelGAN & Multi-band MelGAN & HiFi-GAN & StyleMelGAN) mit PyTorch
Vereinheitlichtes Training von Universal-Zeitreihenprognose-Transformatoren
Interpretabler ML-Paket 🔍 für knappe, transparente und genaue prädiktive Modellierung (sklearn-kompatibel).
[ICLR'24] Offizielle PyTorch-Implementierung von Magic123: Generierung hochwertiger 3D-Objekte aus einem einzigen Bild unter Verwendung von 2D- und 3D-Diffusions-Priors
Offizieller Code für "FeatUp: Ein modellunabhängiges Framework für Merkmale jeder Auflösung" ICLR 2024
Eine Bibliothek von Jupyter Notebooks und entsprechenden YouTube-Vorlesungen von Roman Paolucci
Ein leistungsstarkes Werkzeug für automatisiertes LLM-Fuzzing. Es wurde entwickelt, um Entwicklern und Sicherheitsexperten bei der Identifizierung und Abmilderung potenzieller Jailbreaks in ihren LLM-APIs zu helfen.
Machine Learning University: Beschleunigter Kurs für Computer Vision
[ACM MM 2024] Dies ist der offizielle Code für "AniTalker: Animate Vivid and Diverse Talking Faces through Identity-Decoupled Facial Motion Encoding"
Ein Tutorial, das zeigt, wie man TensorFlow Lite-Objekterkennungs-Modelle auf Android-Geräten, dem Raspberry Pi und mehr trainiert, konvertiert und ausführt!
Kernl ermöglicht es Ihnen, PyTorch-Transformer-Modelle mit einer einzigen Codezeile mehrmals schneller auf der GPU auszuführen, und ist so konzipiert, dass es leicht zu modifizieren ist.
Seed1.5-VL, ein vision-language Foundation Model, das die allgemeine multimodale Verständnis- und Schlussfolgerungsfähigkeit verbessern soll und eine Spitzenleistung bei 38 von 60 öffentlichen Benchmarks erzielt.
Mathematische Herleitung und Implementierung in reinem Python-Code von Machine-Learning-Algorithmen.
Eine PyTorch-Bibliothek, die sich vollständig mit neuronalen Differentialgleichungen, impliziten Modellen und verwandten numerischen Methoden beschäftigt
Robyn ist ein experimentelles, KI/ML-gestütztes und Open-Source-Marketing-Mix-Modeling (MMM)-Paket von Meta Marketing Science. Unsere Mission ist es, Modellierungswissen zu demokratisieren, die Branche durch Innovation zu inspirieren, menschliche Voreingenommenheit im Modellierungsprozess zu reduzieren und eine starke Open-Source-Marketingwissenschaftsgemeinschaft aufzubauen.
Dieses Repository enthält Beispiele für Kunden, um mit dem Amazon Bedrock Service zu beginnen. Dies enthält Beispiele für alle verfügbaren Basismodelle.
Dieses Repository wurde erstellt, um Simulationen und Analysen der in der Dissertationsforschung von Jiuyang Bai gesammelten Daten zu dienen.
Dieses Projekt hat ein intelligentes medizinisches Frage-Antwort-System entworfen und implementiert, das auf Knowledge Graph RAG und großen Sprachmodellen basiert. Basierend auf dem medizinischen Datensatz DiseaseKG und unter Verwendung von Neo4j konstruiert das System einen domänenspezifischen Wissensgraphen mit 44.000 Entitäten und 310.000 Beziehungen. Durch die Kombination von BERT-basierter Erkennung benannter Entitäten und der Absichtserkennung durch ein 32B-Modell mildert das System durch präzise Graphabfragen und kontrollierte Antwortgenerierung effektiv die Halluzinationsprobleme großer Modelle in medizinischen Szenarien und verbessert die Genauigkeit und Zuverlässigkeit der Antworten erheblich.
Offizielles Repository meines Buches: "Deep Learning mit PyTorch Schritt für Schritt: Ein Leitfaden für Anfänger"
Sammlung schritt-für-Schritt-Playbooks zur Einrichtung von AI/ML-Workloads auf NVIDIA DGX Spark-Geräten mit Blackwell-Architektur.
Portfolio von Data-Science-Projekten, die von mir für akademische Zwecke, zum Selbststudium und als Hobby abgeschlossen wurden.
Effiziente Python-Tricks und Werkzeuge für Datenwissenschaftler
Benchmarken Sie LLMs, indem Sie in Street Fighter 3 kämpfen! Der neue Weg, die Qualität eines LLM zu bewerten
Gut dokumentierte Python-Demonstrationen für räumliche Datenanalysen, geostatistische und Machine-Learning-Anwendungen zur Unterstützung meiner Kurse.
Eine Gruppe von Notebooks und anderen Dateien, die Ihnen helfen können, KI von Grund auf zu erlernen.
fire-smoke-detect-yolov4-yolov5 und fire-smoke-detection-dataset Branderkennung, Raucherkennung
TextWorld ist eine Sandbox-Lernumgebung für das Training und die Evaluation von Reinforcement-Learning-(RL)-Agenten in textbasierten Spielen.
Open-Source-Python-Paket zur Extraktion von Radiomics-Features aus 2D- und 3D-Bildern und Binärmasken. Support: https://discourse.slicer.org/c/community/radiomics